論文の概要: On the Design of Graph Embeddings for the Sensorless Estimation of Road
Traffic Profiles
- arxiv url: http://arxiv.org/abs/2201.04968v1
- Date: Tue, 11 Jan 2022 15:16:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-14 13:05:15.817035
- Title: On the Design of Graph Embeddings for the Sensorless Estimation of Road
Traffic Profiles
- Title（参考訳）: 道路交通プロファイルのセンサレス推定のためのグラフ埋め込みの設計について
- Authors: Eric L. Manibardo, Ibai La\~na, Esther Villar, and Javier Del Ser
- Abstract要約: トラフィック予測モデルは、認識、処理、保存が必要なデータに依存します。
認識された場所の欠如は、交通監視に必要な経済的投資をさらに減少させる合成データシミュレーションと補完することができる。
本稿では,道路セグメントのトポロジ的特徴を検査することで,交通データのある場所を探索する手法を提案する。
- 参考スコア（独自算出の注目度）: 6.100274095771616
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic forecasting models rely on data that needs to be sensed, processed,
and stored. This requires the deployment and maintenance of traffic sensing
infrastructure, often leading to unaffordable monetary costs. The lack of
sensed locations can be complemented with synthetic data simulations that
further lower the economical investment needed for traffic monitoring. One of
the most common data generative approaches consists of producing real-like
traffic patterns, according to data distributions from analogous roads. The
process of detecting roads with similar traffic is the key point of these
systems. However, without collecting data at the target location no flow
metrics can be employed for this similarity-based search. We present a method
to discover locations among those with available traffic data by inspecting
topological features of road segments. Relevant topological features are
extracted as numerical representations (embeddings) to compare different
locations and eventually find the most similar roads based on the similarity
between their embeddings. The performance of this novel selection system is
examined and compared to simpler traffic estimation approaches. After finding a
similar source of data, a generative method is used to synthesize traffic
profiles. Depending on the resemblance of the traffic behavior at the sensed
road, the generation method can be fed with data from one road only. Several
generation approaches are analyzed in terms of the precision of the synthesized
samples. Above all, this work intends to stimulate further research efforts
towards enhancing the quality of synthetic traffic samples and thereby,
reducing the need for sensing infrastructure.
- Abstract（参考訳）: トラフィック予測モデルは、認識、処理、保存が必要なデータに依存します。
これには交通センシングインフラストラクチャの展開とメンテナンスが必要であり、しばしば耐え難い金銭コストに繋がる。
センシングされた位置の欠如は、交通監視に必要な経済的投資をさらに減少させる合成データシミュレーションによって補うことができる。
最も一般的なデータ生成アプローチの1つは、類似する道路のデータ分布に基づいて、実際のトラフィックパターンを生成することだ。
同様の交通量で道路を検出するプロセスは、これらのシステムの重要なポイントである。
しかし、この類似性に基づく探索には、ターゲット位置でデータを集めることなくフローメトリクスを使用できない。
本稿では,道路セグメントのトポロジ的特徴を検査することで,交通データのある場所を検出する手法を提案する。
関連する位相的特徴を数値表現(埋め込み)として抽出し、異なる場所を比較し、最終的にそれらの埋め込み間の類似性に基づいて最も類似した道路を見つける。
本システムの性能について検討し,より単純なトラフィック推定手法と比較した。
類似したデータソースを見つけた後、トラフィックプロファイルを合成するために生成手法が使用される。
認識された道路における交通行動の類似性に応じて、生成法は1つの道路からのデータのみを供給できる。
合成試料の精度の観点から, 数世代にわたって解析を行った。
とりわけ,本研究は,合成交通試料の品質向上に向けたさらなる研究努力を刺激し,センサインフラストラクチャの必要性を減らすことを目的としている。
関連論文リスト
- IBB Traffic Graph Data: Benchmarking and Road Traffic Prediction Model [0.24999074238880487]
道路交通渋滞予測はインテリジェント交通システムにおいて重要な要素である。
IBB Traffic Graphデータセットは、2451の異なる場所で収集されたセンサーデータをカバーしている。
本稿では,機能工学を通して時間的リンクを強化する道路交通予測モデルを提案する。
論文 参考訳（メタデータ） (2024-08-02T05:23:19Z) - Pattern retrieval of traffic congestion using graph-based associations
of traffic domain-specific features [5.32051334268552]
本稿では,高速道路渋滞の交通パターンをコンテンツベースで検索するシステムを提案する。
検索結果を効果的に解釈するために,従来のコンポーネントに対するグラフベースのアプローチ(リレーショナルグラフ)を提案する。
後者のコンポーネントでは、ユーザの期待に応じて、混雑パターン間の類似性をカスタマイズできる。
論文 参考訳（メタデータ） (2023-11-28T22:33:22Z) - Traffic State Estimation from Vehicle Trajectories with Anisotropic Gaussian Processes [21.13555047611666]
本稿では,標準等方性GPカーネルを異方性カーネルに変換するカーネル回転再パラメータ化方式を提案する。
また、複数のレーンの交通状態を同時に推定できるマルチアウトプットGPへのアプローチも拡張しています。
連結車両(CV)と人間駆動車両(HV)の混合交通について検討し,交通状態推定(TSE)方式を5%から50%まで実験した。
論文 参考訳（メタデータ） (2023-03-04T03:59:17Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Estimating Link Flows in Road Networks with Synthetic Trajectory Data
Generation: Reinforcement Learning-based Approaches [7.369475193451259]
本稿では,限られた交通量と車両軌道データを組み合わせることで,道路網内のリンクフローを推定する問題に対処する。
本稿では,車両の連接動作を逐次決定問題として定式化する,新しい生成モデルフレームワークを提案する。
発生した人口車両軌跡が観測された交通量と軌跡データと一致していることを確認するために,逆強化学習と制約強化学習に基づく2つの手法を提案する。
論文 参考訳（メタデータ） (2022-06-26T13:14:52Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳（メタデータ） (2020-11-07T19:57:22Z) - Large-scale Analysis and Simulation of Traffic Flow using Markov Models [0.0]
交通分析に使用できる数学的に厳密なモデルが、他の研究者によって提案されている。
本稿では,2次元定常分布の概念を導入して,新しいパラメトリゼーションを提案する。
我々は,中規模および大規模でシミュレーションを行い,人工的および実データに基づくモデルと推定手法の両方が良好であることが証明された。
論文 参考訳（メタデータ） (2020-07-06T12:31:27Z) - Constructing Geographic and Long-term Temporal Graph for Traffic
Forecasting [88.5550074808201]
交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。
本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-23T03:50:46Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。